방송공학회논문지 (Journal of Broadcast Engineering)

  • 제14권2호
  • /
  • Pages.238-252
  • /
  • 2009
  • /
  • 1226-7953(pISSN)
  • /
  • 2287-9137(eISSN)
한국방송∙미디어공학회 (The Korean Institute of Broadcast and Media Engineers)
권호 표지
DOI QR코드

DOI QR Code

협업 필터링을 이용한 순위 정렬 모델 기반 (IP)TV 프로그램 자동 추천

Automatic Recommendation of (IP)TV programs based on A Rank Model using Collaborative Filtering

  • 김은희 (한국과학기술원, 전기및전자공학과/정보통신공학과) ;
  • 표신지 ;
  • 김문철 (한국과학기술원, 전기및전자공학과/정보통신공학과)
  • 발행 : 2009.03.30
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

방송과 융합의 시대로 접어들면서 (IP)TV 단말에서 이용 가능한 프로그램 콘텐츠 수가 급격히 증가 하였다. 이로 인해, 사용자 (시청자)가 선호하는 방송 프로그램 콘텐츠로의 접근성이 주요한 사항이 되었다. 본 논문은 유사 사용자 선호도에 기반을 둔 협업 필터링을 이용하여(IP)TV 프로그램을 효율적으로 사용자에게 자동 추천하는 연구에 관한 내용이다. 개인의 시청 프로그램 선호도를 고려하여 방송 프로그램을 추천하기 위해서, 제안하는 추천 시스템의 구성은 오프라인과 온라인 연산으로 구성된다. 오프라인 연산과정에서 (IP)TV 프로그램, 장르, 채널에 대한 개인의 선호도를 묵시적으로 추론 하는 방법을 제시하고, 동적 퍼지 클러스터링 방법을 사용하여 각 개인의 선호도에 따라 사용자들을 그룹 짓되, 특징 벡터를 장르와 채널에 대한 선호도로 결합하여 사용하는 방법을 제시한다. 또한, (IP)TV 단말에 로그인 한 활동 사용자에게, 높은 정확도로 선호 프로그램을 추천하기 위해서, 활동 사용자와 관심 시청 프로그램이 유사한 사용자들을 유사도 측정 방법을 사용하여 한 번 더 추출하고, 이 추출된 유사 취향 사용자들의 선호 (IP)TV 프로그램들에 대해, EPG를 이용하여 현재 방송되지 않는 프로그램들을 제외시킨다. 마지막 단계에서는 추천 후보 프로그램들에 대해 본 논문에서 제안하는 순위 정렬 모델을 이용하여 추천 우선순위를 결정하여 제시한다. 특별히, 본 논문은 BM(Best Match) 알고리즘을 확장하여 개인 선호도를 고려한 순위 정렬 모델을 제시한다. 실험을 통해, 본 논문에서 제안한 프로그램 자동 추천 알고리듬은 2,441명의 사용자에 대해 5개의 프로그램을 추천하였을 경우, 62.1%의 예측 정확도를 나타내었다.

Due to the rapid increase of available contents via the convergence of broadcasting and internet, the efficient access to personally preferred contents has become an important issue. In this paper, for recommendation scheme for TV programs using a collaborative filtering technique is studied. For recommendation of user preferred TV programs, our proposed recommendation scheme consists of offline and online computation. About offline computation, we propose reasoning implicitly each user's preference in TV programs in terms of program contents, genres and channels, and propose clustering users based on each user's preferences in terms of genres and channels by dynamic fuzzy clustering method. After an active user logs in, to recommend TV programs to the user with high accuracy, the online computation includes pulling similar users to an active user by similarity measure based on the standard preference list of active user and filtering-out of the watched TV programs of the similar users, which do not exist in EPG and ranking of the remaining TV programs by proposed rank model. Especially, in this paper, the BM (Best Match) algorithm is extended to make the recommended TV programs be ranked by taking into account user's preferences. The experimental results show that the proposed scheme with the extended BM model yields 62.1% of prediction accuracy in top five recommendations for the TV watching history of 2,441 people.

키워드

참고문헌

  1. M. MONTANER, B. LOPEZ, J. L. DE LAROSA, A Taxonomy of Recommender Agents on the Internet, Artificial Intelligence Review 19: 285–330, 2003 https://doi.org/10.1023/A:1022850703159
  2. Robertson S.E., Sparck Jones K., Relevance Weighting of Search Term, Journal of the America Society for Information Science, May-June, 1976 https://doi.org/10.1002/asi.4630270302
  3. L. Greg , S. Brent , and Y. Jeremy. Amazon.com Recommendations, Item-to-Item Collaborative filtering, IEEE Internet Computing, 2003 https://doi.org/10.1109/MIC.2003.1167344
  4. Cotter, P., and Smyth, B., PTV: Personalised TV Guides. In Proceedings of the 12th Conference on Innovative Applications of Artificial Intelligence, IAAI 2000, Austin, Texas, 2000
  5. Resnick P., Iacovou N., Suchak M., Bergstrom P., and Riedl. J., “An Open Architecture for Collaborative Filtering of Netnews”, In Proceedings of the ACM Conference on Computer Supported Cooperative Work, (pp 175-186), 1994
  6. Breese, J. Heckerman, D., and Kadie, C. Empirical Analysis of Predictive Algorithms for Collaborative Filtering. In Proceedings of the Fourteenth Conference on Uncertainty in Artificial Intelligence, Madison, WI., 1998
  7. “Scalable collaborative filtering using cluster-based smoothing”, International ACM SIGIR conferenceon research developmenton Information ,2005
  8. Min SH., Han I., “Dynamic Fuzzy Clustering for Recommender Systems”, Springer-Verlag Berlin Heidelberg 2005
  9. Deshpande M., Karvpis G., “Item-based top-N recommendation algorithms”, ACMTrans. Inf. Sys., 2004 https://doi.org/10.1145/963770.963776
  10. Wang, J., Powelse, J., Fokker, J., Vreies, A., Reinders M., “Personalization on a peer-to-peer television system”, Multimedia Tools and Applications. Vol.36, no1-2, 89-103, Jan. 2007 https://doi.org/10.1007/s11042-006-0075-6
  11. Robertson SE., Walker S., Beaulieu M., Gatford M., and Payne A., Okapi at TREC-4. In NIST Special Publication 500-236:The Forth Text Retreival Conference (TREC-4), pages 73-96, Gaithersburg, MD, 1995
  12. Robertson S.E., Sparck Jones K., Relevance Weighting of Search Term, Journal of the America Society for Information Science, May-June, 1976 https://doi.org/10.1002/asi.4630270302
  13. Robertson S.E., Walker S., “Some Simple Effective Approximations to the 2-Poisson Model for Probabilistic Weighted Retrieval”, In W.B. Croft & C.J. van Rijsbergen (Eds.), SIGIR 94. Proceedings of the 17th International Conference on Research and Development in Information Retrieval, Dublin (pp. 232-241). London: Springer-Verlag, 1994
  14. Sergios T., Konstantions K. Pattern Recognition, Third Edition. Academic Press, USA, 2006
  15. Afreeca TV, http://www.afreeca.com
  16. Robertson S.E. and Spark Jones K., “Relevance weighting of search terms” Journal of the American Society for Information Science, 27:129-146, 1976 https://doi.org/10.1002/asi.4630270302
  17. J.A. Hartigan, ClusteringAlgorithms.Wiley, 1975